买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉山西大学申请的专利一种基于图像融合视角的无监督深度学习三维重建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115830240B 。

龙图腾网通过国家知识产权局官网在2026-03-20发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211618155.2，技术领域涉及：G06T17/00；该发明授权一种基于图像融合视角的无监督深度学习三维重建方法是由闫涛;盖彦辛设计研发完成，并于2022-12-14向国家知识产权局提交的专利申请。

本一种基于图像融合视角的无监督深度学习三维重建方法在说明书摘要公布了：本发明公开了一种基于图像融合视角的无监督深度学习三维形貌重建方法。包括以下步骤：首先，采集图像的焦点堆栈与对应的焦点位置；其次，迭代通过聚焦区域检测和降采样聚焦区域检测模块得到不同尺度的聚焦体积；然后将多尺度聚焦体积通过四层hourglass网络输出注意力，进而获得场景的预测深度图与全聚焦图像；最后预测深度图与全聚焦图像经过引导滤波函数得到场景最终的三维形貌重建结果。本发明方法从无监督视角解决了场景的三维形貌重建问题，可有效缓解三维形貌重建过程中真实深度标注困难的问题。

本发明授权一种基于图像融合视角的无监督深度学习三维重建方法在权利要求书中公布了：1.一种基于图像融合视角的无监督深度学习三维形貌重建方法，其特征在于，包括以下步骤： 步骤1，给定焦点堆栈FS∈RH×W×N×C和对应的焦点位置P∈RH×W×N×C，其中H,W分别表示焦点切片的高和宽，N为焦点切片数量，C为通道数，R表示实数域； 步骤2，对步骤1中的焦点堆栈FS∈RH×W×N×C根据式1至式3的聚焦区域检测模块得到聚焦体积FV1∈RH×W×N×C， F1＝dilatedFS1 F2＝RELUResNetF1+FS2 FV1＝RELUconvRELUconvF2+F23 其中dilated表示扩张卷积，F1为初始特征，ResNet表示残差模块，RELU表示激活函数,F2为语义特征，conv表示3D卷积模块； 步骤3，对步骤2得到的聚焦体积FV1根据式4的降采样聚焦检测模块，输出有效下采样特征F3，对特征F3根据式5和式6进行特征提取得到第二个尺度的聚焦体积 F3＝RELUstride_convFV1+convMaxpoolingFV14 F4＝RELUResNetF3+FS5 FV2＝RELUconvRELUconvF4+F46 其中stride_conv表示跨步卷积，Maxpooling表示3D最大池化操作，F4为语义特征； 步骤4，对步骤3得到的聚焦体积FV2输入式7的降采样聚焦检测模块得到下采样输出特征F5，然后对特征F5根据式8和式9得到第三个尺度的聚焦体积 F5＝RELUstride_convFV2+convMaxpoolingFV27 F6＝RELUResNetF5+FS8 FV3＝RELUconvRELUconvF6+F69 其中F6为语义特征； 步骤5，将步骤2、步骤3和步骤4分别获得的聚焦体积FV1,FV2,FV3根据式10输入四层hourglass网络进行不同尺寸特征的结合与细化，输出每个焦点位置最大锐度概率的中间注意力M∈RH×W×N； M＝hourglassFV1,FV2,FV310 步骤6，将步骤5得到的中间注意力M根据式11进行归一化获得深度图注意力Mdepth，并根据式12与焦点位置P进行点乘获得预测深度图D， 其中F表示焦点堆栈的图片数量，Mi,j,t表示焦点堆栈中第t幅图像中位于像素点i,j处的中间注意力值，表示第t切片中位于像素点i,j处的深度图注意力值，像素点i,j的取值范围为1≤i≤H,1≤j≤W，t为堆栈下标其范围为1≤t≤N，Di,j表示深度图中像素点i,j的深度信息，exp表示指数函数，ln表示对数函数； 步骤7，将步骤5得到的中间注意力M根据式13进行归一化获得全聚焦图像注意力MAiF，并根据式14与焦点堆栈FS进行点乘获得全聚焦图像I， 其中表示第t切片中位于像素点i,j处的全聚焦图像注意力值，Ii,j表示深度图中像素点i,j的灰度信息； 步骤8，将步骤6得到的深度图D与步骤7得到的全聚焦图像I根据式15的引导滤波函数得到场景最终的三维重建结果Ddepth， Ddepth＝GTI,D15 其中GT表示引导滤波函数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山西大学，其通讯地址为：030006 山西省太原市小店区坞城路92号山西大学科技楼803；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。